基于多维自注意力的剩余使用寿命估计方法
机器学习
2022-12-13 v1 机器学习
摘要
剩余使用寿命（RUL）估计在预测与健康管理（PHM）中起着关键作用。传统机器健康维护系统往往成本高昂，需要充足的先验专业知识，且难以适配高度复杂多变的工业场景。随着传感器在工业设备上的广泛部署，构建工业物联网（IIoT）互联这些设备已成为数字化工厂发展不可逆转的趋势。利用 IIoT 采集的设备实时运行数据，通过 RUL 预测算法得到估计 RUL，PHM 系统可为设备制定主动维护措施，从而降低维护成本并减少运行中的故障次数。本文针对 IIoT 场景下多传感器设备的剩余使用寿命预测模型展开研究。我们调研了主流 RUL 预测模型并总结了该场景下 RUL 预测建模的基本步骤。在此基础上，本文提出一种数据驱动的 RUL 估计方法。其采用多头注意力机制融合多传感器输出的多维时间序列数据，其中特征上的注意力用于捕捉特征间交互，序列上的注意力用于学习时间步权重。随后，应用长短期记忆网络学习时间序列特征。我们在两个基准数据集（C-MAPSS 与 PHM08）上评估所提模型，结果表明其优于 SOTA 模型。此外，借助多头注意力机制的可解释性，所提模型可对发动机退化提供初步解释。因此，该方法在 IIoT 场景的预测性维护中颇具前景。
引用
@article{arxiv.2212.05772,
title = {Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation},
author = {Zhi Lai and Mengjuan Liu and Yunzhu Pan and Dajiang Chen},
journal= {arXiv preprint arXiv:2212.05772},
year = {2022}
}